Следите за состоянием каждого устройства в вашей системе
Введение
API отлично подходят для разгрузки вычислений и запуска процессов, которые нелегко выполнить на данном языке программирования. В первой части этой серии API REST на промышленных ПЛК¹ мы реализовали простой API, который добавляет и извлекает записи из базы данных SQL. Данные, введенные в базу данных, предназначены для обучения модели машинного обучения обнаружению аномалий в сервоприводах, подключенных к контроллеру.
В этом примере мы запустим базовый цикл обучения для собранных данных и выполним вывод о сервоприводах, чтобы увидеть, ведут ли они себя аномально. Для этого мы будем использовать сеть AutoEncoder с немаркированными данными и измерим потери при реконструкции, чтобы определить классификацию текущего состояния сервопривода.
Мотивация
Благодаря реализации модели обнаружения аномалий это позволяет нам отслеживать состояние каждого из сервоприводов в конфигурации. То, что может быть неочевидно невооруженным глазом и ухом, будет уловлено моделью, и пользователь сможет действовать соответствующим образом. Раннее обнаружение проблемы с сервоприводом дает нам время для планирования профилактического обслуживания, что значительно сокращает время простоя и помогает предотвратить любые повреждения, которые могут возникнуть в результате отказа сервопривода.
Фон
Сеть AutoEncoder будет использоваться для выявления аномалий в состоянии сервопривода. Сеть AutoEncoder подходит, потому что она будет отфильтровывать шум из входных данных и обеспечивать более точную реконструкцию с нелинейными отношениями, которые могут существовать. Поскольку будут использоваться неразмеченные данные, потеря реконструкции сети AutoEncoder будет использоваться для классификации аномалий. Данные с высокими потерями при реконструкции выше установленного порога будут считаться аномальными, а данные с низкими потерями при реконструкции ниже установленного порога будут считаться неаномальными.
3D-печать — популярное использование сервоприводов; работа принтера на высоких скоростях и ускорениях увеличит производительность принтера, а также вызовет более высокие динамические нагрузки. Принтер может работать почти 100% времени без остановки, поэтому полезно контролировать состояние сервоприводов скрытым образом.
Конфигурация
В этом примере мы будем создавать плагин Compass², который делает запросы к API для выборки и вывода данных. Хотя запросы API можно делать непосредственно с ПЛК, они будут выполняться с ПК, на котором работает Compass, чтобы избежать проблем с маршрутизацией запроса в соответствующую внешнюю сеть. Сетевая архитектура для выполнения запросов API показана ниже:
Стрелки на диаграмме — соединения Ethernet/IP. В этом примере контроллер MPiec будет общаться с дополнительным DNS-сервером посередине. Компьютер, на котором запущен Compass, автоматически обрабатывает DNS-маршрутизацию и отправляет запросы на соответствующий сервер.
Сервер REST API размещен на экземпляре AWS ec2 со следующими доступными конечными точками:
/api/v2/store_data #store a row(s) of data values for training /api/v2/inference #run inference on row(s) /api/v2/check #check on model availability
Модель
Модель AutoEncoder из репозитория PyOD GitHub³ будет использоваться для обнаружения аномальных состояний сервоприводов. Структура сети для AutoEncoder показана ниже:
В отличие от модели обнаружения аномалий, использованной в моей предыдущей статье⁵, которая может работать непосредственно на ПЛК, AutoEncoder требует больших вычислительных ресурсов и должен работать на другом устройстве, которое поддерживает векторизованные вычисления в большей степени. Если вам интересно узнать больше о сетях AutoEncoder, рассмотрите возможность прочтения этой статьи⁵. Используя API для выполнения логических выводов, мы значительно снижаем нагрузку на ЦП ПЛК и избегаем проблем с производительностью.
Данные
В этом примере будут использоваться все доступные и релевантные данные от сервопривода. Несколько ключевых переменных включают в себя:
- Положение обратной связи, скорость, ускорение и крутящий момент
- Заданное положение, скорость, ускорение и крутящий момент
В конечном итоге будет оптимальным уменьшить количество выборочных переменных, чтобы уменьшить нагрузку на ЦП при чтении переменных без значительного веса в модели AutoEncoder. В этом примере все параметры осей, связанные с кинематикой, будут считаны из следующего списка:
Макет плагина
Плагин, если он включен, будет автоматически собирать пакеты данных с сервоприводов и использовать конечную точку /api/v2/store_data для отправки строк данных в API для дальнейшего обучения. Мы включим плагин и запустим несколько файлов G-кода на несколько часов, чтобы можно было взять разнообразный набор данных.
Как только будет собрано достаточное количество данных, будет вызвана конечная точка /api/v2/check. Конечная точка запрограммирована на:
- Проверьте статус/доступность модели AutoEncoder.
- Начать сеанс обучения, если имеется достаточно данных
Вызов конечной точки /api/v2/check в первый раз вернет следующее:
После того, как AutoEncoder завершит обучение и станет доступен для использования для логического вывода, конечная точка /api/v2/check вернет следующее:
Код клиента плагина
Плагин Compass взаимодействует с API, отправляя HTTP-запрос методом POST. Запрос содержит соответствующие данные в формате JSON для данной конечной точки. Во время логического вывода строка или строки отправляются в API, и сервер возвращает аномальное состояние каждой строки. Запрос выполняется на С# со следующим кодом:
Удобный для копирования и вставки формат рис. 7:
private async Task<InferenceResponse> InferenceRequestAPI(Dictionary<string,string> data)
{
HttpClient client = new HttpClient();
client.BaseAddress = new Uri(URL);
client.DefaultRequestHeaders.Accept.Add(
new MediaTypeWithQualityHeaderValue("application/json"));
var jsonData = JsonConvert.SerializeObject(data);
var contentData = new StringContent(jsonData, Encoding.UTF8, "application/json");
var response = await client.PostAsync(urlParameters, contentData);
string contents = await response.Content.ReadAsStringAsync();
client.Dispose();
InferenceResponse responseJSON = JsonConvert.DeserializeObject<InferenceResponse>(contents);
return responseJSON;
}
Сервер вернет ответ в следующем формате:
В случае с рис. 8 выше для вывода используется одна строка данных. Ответ состоит из трех ключевых элементов ответа:
class— классификация вывода (верно, если аномально, ложно, если аномалии не обнаружено)loss— потери при реконструкции, возвращенные моделью AutoEncoder для вывода.time— время вывода
Выходные данные классификации основаны на значении threshold, которое использует потери при реконструкции для бинаризации выходных данных автоэнкодера. В этом примере обучающая система сервера предварительно выбирает пороговое значение на основе первоначально предоставленных обучающих данных. Сервер предварительно выбрал значение 0,4 в качестве порога отсечки, что означает, что любой вывод с потерями при реконструкции выше 0,4 будет считаться аномалией.
Для производственных приложений порог должен быть тщательно выбран пользователем. Кроме того, должен быть реализован алгоритм постобработки для отслеживания частоты и величины положительных классификаций, чтобы одна положительная классификация не вызывала никаких действий.
Простой и эффективный способ отслеживать частоты аномалий — отслеживать 3 SMA (простые скользящие средние) в разные промежутки времени и сравнивать их друг с другом. Например, используя набор SMA за 5/30/120 минут, мы можем установить «номинальное» значение на основе SMA за 120 минут и сравнить его с SMA за 5 и 30 минут. Когда SMA нижнего интервала превышают 3 стандартных отклонения выше номинального значения, мы можем рассмотреть возможность отправки уведомления пользователю о необходимости проверки 3D-принтера.
Заключение
API-интерфейсы REST в сочетании с ПЛК чрезвычайно полезны по разным причинам, включая возможность простой интеграции высокопроизводительных моделей машинного обучения для мониторинга работоспособности устройств. Используя API, практически все возможно интегрировать с ПЛК и подключенными к нему устройствами.
Если вас интересует готовый плагин Compass, свяжитесь со мной.
Источники
[1] Лебединский, П. (2022, 27 мая). REST API на промышленных ПЛК Medium. Получено 26 сентября 2022 г. с https://towardsdatascience.com/a-single-number-metric-for-evaluating-object-detection-models-c97f4a98616d.
[2] Компас Яскавы. Яскава. (н.д.). Получено 26 сентября 2022 г. с https://www.yaskawa.com/products/motion/machine-controllers/software-tools/yaskawa-compass.
[3] Чжао Ю., Насрулла З. и Ли З., 2019 г. PyOD: набор инструментов Python для масштабируемого обнаружения выбросов. Журнал исследований машинного обучения (JMLR), 20 (96), стр. 1–7.
[4] Червинский — собственная работа, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=45555552
[5] Лебединский, П. (2021, 12 ноября). Обнаружение аномалий на сервоприводах. Средняя. Получено 12 мая 2022 г. с https://towardsdatascience.com/a-single-number-metric-for-evaluating-object-detection-models-c97f4a98616d.
[6] Ле, К.В. (2015). Учебное пособие по глубокому обучению, часть 2: автоэнкодеры, сверточные нейронные сети и рекуррентные нейронные сети. Google Brain, Google Inc.
